CN118259115B - 一种铁磁谐振故障查找方法及系统 - Google Patents

Abstract

本发明涉及电力系统故障检测领域，尤其涉及一种铁磁谐振故障查找方法及系统。内容包括：收集并预处理铁磁谐振故障信号，对预处理后的信号进行频谱和时间耦合分析，提取铁磁谐振故障的特征频率；进一步，引入多层自适应滤波技术进行滤波处理；通过时频多尺度递归变换算法对滤波后的信号进行分解和重构，对重构后的信号进行特征提取，得到故障特征向量；进一步，基于故障特征向量判断故障的类型和位置。解决了现有技术中快速定位故障的难度大、噪声和干扰信号抑制效果差、滤波过程中正常信号被过度滤波、信号分解和重构效果不佳、系统实时性和响应速度不够、计算效率低下以及无法适应复杂电网环境中的动态变化的技术问题。

Description

一种铁磁谐振故障查找方法及系统

技术领域

本发明涉及电力系统故障检测领域，尤其涉及一种铁磁谐振故障查找方法及系统。

背景技术

铁磁谐振现象是电力系统中常见的一种非线性振荡现象，通常发生在电网的电感、电容和铁芯之间，由于其不可预测性和破坏性，对电网的安全运行构成了严重威胁。铁磁谐振故障可能导致电力设备的损坏、系统不稳定以及严重的经济损失，因此，准确、快速地定位和检测铁磁谐振故障显得尤为重要。

随着电网规模的不断扩大和复杂性的增加，传统的故障检测方法已难以满足现代电网的需求。现有的检测方法通常依赖于单一的频谱分析或时间域分析技术，这些方法在面对复杂的电网信号时，往往难以提取出有效的故障特征。此外，电网环境中的噪声和干扰信号较为复杂，传统的滤波方法难以有效抑制这些噪声和干扰，进一步增加了故障检测的难度。

为了提高铁磁谐振故障的检测效率和准确性，研究者们提出了多种改进算法和系统架构，例如多尺度分析、自适应滤波等技术，但这些技术在实际应用中仍存在诸多挑战。多尺度分析虽然能够在一定程度上提高信号分解的精细度，但在面对高噪声环境时，其效果并不理想。而自适应滤波技术虽然能够根据实时信号调整滤波参数，但在复杂电网环境下，其滤波效果依然不够稳定和精确。

综上，现有技术至少存在如下技术问题：快速定位故障的难度大，噪声和干扰信号抑制效果差，滤波过程中正常信号过度滤波，信号分解和重构效果不佳，系统实时性和响应速度不够，计算效率低下，无法适应复杂电网环境中的动态变化。

发明内容

本发明提供一种铁磁谐振故障查找方法及系统，以解决现有技术中快速定位故障的难度大，噪声和干扰信号抑制效果差，滤波过程中正常信号过度滤波，信号分解和重构效果不佳，系统实时性和响应速度不够，计算效率低下以及无法适应复杂电网环境中的动态变化的技术问题。

本发明的一种铁磁谐振故障查找方法及系统，具体包括以下技术方案：

一种铁磁谐振故障查找系统，包括以下部分：

预处理模块、特征频率提取模块、自适应滤波模块、递归变换模块、故障查找模块；

预处理模块，用于对收集到的铁磁谐振故障信号进行预处理，消除直流分量和趋势项；预处理模块与特征频率提取模块相连；

特征频率提取模块，对预处理后的信号进行频谱分析和时间域分析；构建多维矩阵表示预处理后的信号的频谱-时间耦合关系，并从多维矩阵中提取铁磁谐振故障的特征频率；特征频率提取模块与自适应滤波模块相连；

自适应滤波模块，引入多层自适应滤波技术，对铁磁谐振故障的特征频率进行滤波处理；自适应滤波模块与递归变换模块相连；

递归变换模块，引入时频多尺度递归变换算法，对滤波后的信号进行分解和重构，得到重构后的信号，递归变换模块与故障查找模块相连；

故障查找模块，对重构后的信号进行特征提取，得到故障特征向量；将故障特征向量与预先建立的故障特征库进行匹配，找出最相似的故障模式；并根据匹配结果确定故障的类型和位置。

一种铁磁谐振故障查找方法，包括以下步骤：

S1、收集并预处理铁磁谐振故障信号，对预处理后的信号进行频谱和时间耦合分析，提取铁磁谐振故障的特征频率；进一步，引入多层自适应滤波技术进行滤波处理；

S2、通过时频多尺度递归变换算法对滤波后的信号进行分解和重构，对重构后的信号进行特征提取，得到故障特征向量；进一步，基于故障特征向量判断故障的类型和位置。

优选的，所述S1，具体包括：

引入多维频谱-时间耦合变换算法，对预处理后的信号进行傅里叶变换，将时域信号转换到频域，进行频谱分析和时间域分析；通过构建多维矩阵来表示预处理后的信号的频谱-时间耦合关系，并从多维矩阵中提取铁磁谐振故障的特征频率。

优选的，所述S1，具体包括：

在多层自适应滤波技术的实现过程中，引入多层自适应滤波算法，动态调整滤波器参数。

优选的，所述S2，具体包括：

时频多尺度递归变换算法通过多尺度分析和递归处理，对滤波后的信号进行分解和重构，并分离故障信号与正常信号。

优选的，所述S2，具体包括：

将故障特征向量与故障特征库进行匹配，找出最相似的故障模式；根据匹配结果确定故障的类型和位置，通过最大相似度对应的故障特征向量，判断故障的具体类型和位置。

优选的，所述S2，具体包括：

在时频多尺度递归变换算法的实现过程中，采用层次化分布式计算架构，得到故障定位信息。

优选的，所述S2，具体包括：

层次化分布式计算架构的实现过程如下：

首先，将计算任务分解成两个及以上层次的子任务，并分配到不同计算节点；进一步，各计算节点按照层次结构并行执行分配的子任务；最后，汇总各计算节点的计算结果，得到故障定位信息。

本发明的技术方案的有益效果是：

1、通过多维频谱-时间耦合变换算法，对铁磁谐振故障信号进行多维度的频谱和时间耦合分析，能够更高效地提取故障特征频率，准确定位铁磁谐振故障，结合频谱分析和时间域分析，通过增加频率和时间的耦合关系，显著提升了故障特征提取的精度和效率。

2、通过引入多层自适应滤波技术，能够根据实时采集的信号动态调整滤波器参数，有效抑制噪声和干扰信号，保证故障定位的精度，多层次的滤波结构和反馈机制，使滤波器能够在复杂环境下实现高效滤波，避免对正常信号的过度滤波。

3、时频多尺度递归变换算法通过多尺度分析和递归处理，对滤波后的信号进行精细分解和重构，保留正常信号的特征，并有效分离故障信号与正常信号，经过递归处理后的细节系数和近似系数被去噪和优化，信号重构的精度得到显著提高。

4、采用层次化分布式计算架构，将计算任务分散到多个层次的节点并行处理，显著提高了系统的计算效率和响应速度，通过任务分解、并行计算和结果汇总，确保了系统的实时性和计算结果的准确性。

5、通过多维频谱-时间耦合变换、自适应滤波和时频多尺度递归变换的结合，本发明能够在复杂电网环境下，迅速、准确地定位铁磁谐振故障，多层次的滤波和递归处理技术，能够有效处理电网中的各种噪声和干扰信号，保证故障查找的准确性和可靠性。

附图说明

图1为本发明所述的一种铁磁谐振故障查找系统结构图；

图2为本发明所述的一种铁磁谐振故障查找方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种铁磁谐振故障查找方法及系统的具体方案。

参照附图1，其示出了本发明一个实施例所提供的一种铁磁谐振故障查找系统结构图，该系统包括以下部分：

预处理模块、特征频率提取模块、自适应滤波模块、递归变换模块、故障查找模块；

预处理模块，用于对收集到的铁磁谐振故障信号进行预处理，消除直流分量和趋势项，确保信号的纯净性和准确性，预处理模块与特征频率提取模块相连；

特征频率提取模块，将预处理后的信号进行傅里叶变换，将时域信号转换到频域，进行频谱分析和时间域分析；构建多维矩阵表示预处理后的信号的频谱-时间耦合关系，并从多维矩阵中提取铁磁谐振故障的特征频率，特征频率提取模块与自适应滤波模块相连；

自适应滤波模块，引入多层自适应滤波技术，通过多层次的滤波结构，根据实时采集的信号动态调整滤波器参数，有效抑制噪声和干扰信号，自适应滤波模块与递归变换模块相连；

递归变换模块，提出了时频多尺度递归变换算法，通过多尺度分析和递归处理，对滤波后的信号进行精细分解和重构，恢复铁磁谐振故障信号的主要特征，得到重构后的信号，递归变换模块与故障查找模块相连；

故障查找模块，对重构后的信号进行特征提取，提取故障特征；使用小波变换算法，分析重构后的信号的时频特性，识别出重构后的信号中的故障特征，并生成故障特征向量；将故障特征向量与预先建立的故障特征库进行匹配，找出最相似的故障模式；根据匹配结果确定故障的类型和位置，实现对重构信号的故障查找和定位。

参照附图2，其示出了本发明一个实施例所提供的一种铁磁谐振故障查找方法流程图，该方法包括以下步骤：

S1、收集并预处理铁磁谐振故障信号，对预处理后的信号进行频谱和时间耦合分析，提取铁磁谐振故障的特征频率；进一步，引入多层自适应滤波技术进行滤波处理；

为了解决铁磁谐振故障快速定位难度大、噪声和干扰信号影响大、正常信号过度滤波以及故障查找系统实时性差等问题，需要提取故障特征频率，准确定位铁磁谐振故障。

为了快速提取故障特征频率，提出了一种全新的多维频谱-时间耦合变换算法，通过将信号进行多维度的频谱和时间耦合分析，能够更高效地处理铁磁谐振故障信号。

预处理模块对原始信号，即铁磁谐振故障信号，进行预处理，消除直流分量和趋势项，确保信号的纯净性和准确性，为后续的分析打下基础；计算输入信号的均值，从信号中减去该均值，以消除直流分量；消除直流分量后的信号，需要进一步处理以消除趋势项，为此，可以使用多项式拟合的方法，拟合的多项式通过最小二乘法来确定其系数，通常拟合一个二次多项式，通过减去拟合的多项式，可以消除趋势项，得到预处理后的信号。

特征频率提取模块将预处理后的信号进行傅里叶变换，将时域信号转换到频域，进行频谱分析和时间域分析，通过构建一个多维矩阵来表示预处理后的信号的频谱-时间耦合关系，通过频谱和时间的耦合分析，揭示信号的本质特征；从多维矩阵中提取故障特征频率，识别和提取与铁磁谐振故障相关的特征频率。多维频谱-时间耦合变换算法的数学公式为：

，

其中，表示频域和时间域的耦合矩阵，是对预处理后的信号在频域和时间域上的综合描述；表示时域信号的第个样本；为预处理后的信号的样本数，代表信号的长度；为时间窗口，用于控制时间域分析的范围；为耦合因子，用于控制频谱和时间的耦合强度；为虚数单位，用于实现复数计算；是频率索引；是时间索引。通过结合频谱分析和时间域分析，将预处理后的信号进行多维度的频谱-时间耦合分析。通过加入项，增加了频率和时间的耦合关系，从多维矩阵中提取铁磁谐振故障的特征频率，数学公式为：

，

其中，表示故障特征频率。

为了解决噪声和干扰信号的问题，自适应滤波模块引入了多层自适应滤波技术，通过多层次的滤波结构，根据实时采集的信号动态调整滤波器参数，有效抑制噪声和干扰信号，保证故障定位的精度；多层自适应滤波技术通过迭代计算和多层反馈机制，实现了在复杂环境下的高效滤波。

建立多层次的噪声模型，假设噪声为不同频段的高斯白噪声，为滤波器提供参考噪声特征；初始化每一层自适应滤波器的参数，在初始化滤波器参数时，通常设置初始值为零或一个小的随机数；通过层间迭代计算更新滤波器参数，使输出误差最小，通过不断调整滤波器参数，提高滤波效果。多层自适应滤波算法的数学公式为：

，

，

，

其中，表示第层滤波器在第时刻的输出，是滤波后的信号；表示第层滤波器在第时刻的第个权重，是滤波器的参数；表示第层滤波器在第时刻的第个权重，是滤波器的参数；是时刻的故障特征频率信号；是滤波器的延迟项索引，用于表示故障特征频率信号的延迟；是反馈项索引，用于表示误差信号的延迟；表示第层滤波器在第时刻的误差信号，是滤波输出与期望信号的差异；表示第层滤波器在第时刻的期望信号，是理想的滤波输出；为第层滤波器的步长因子，控制权重更新的速度；为第层滤波器的阶数，决定滤波器的复杂度；为反馈因子，控制反馈项的影响；为反馈项的数量，决定反馈项的复杂度。通过在传统自适应滤波器的基础上增加了反馈项，实现多层次的反馈调整，提高滤波效果和适应能力。

S2、通过时频多尺度递归变换算法对滤波后的信号进行分解和重构，对重构后的信号进行特征提取，得到故障特征向量；进一步，基于故障特征向量判断故障的类型和位置。

为了解决自适应滤波过程中对正常信号的过度滤波问题，递归变换模块提出了时频多尺度递归变换算法，通过多尺度分析和递归处理，对滤波后的信号进行精细分解和重构，保留正常信号的特征，并有效分离故障信号与正常信号。首先对滤波后的信号进行多尺度分解，提取不同尺度下的信号特征，通过细化分析，不同尺度下提取滤波后的信号的不同特征；然后对各尺度的细节系数进行递归处理，去除噪声，通过多次迭代，逐步去除噪声成分；最后根据处理后的细节系数和近似系数重构信号，恢复原始信号的主要特征。时频多尺度递归变换算法的数学公式为：

，

，

，

其中，表示第尺度的细节系数，是多尺度分解后的细节成分；表示第尺度的近似系数，是多尺度分解后的主要成分；表示滤波后的信号在时间域中的采样点位置；为小波函数，用于多尺度分解；为尺度函数，用于多尺度分解；和为尺度，用于控制分解的精度；为第尺度的递归处理结果，是处理后的细节成分；和为递归处理的权重因子，用于控制递归项的影响；为递归调整因子，用于控制递归处理的强度；为递归处理的阶数，决定递归处理的复杂度；为递归处理的阶数的索引。通过在细节系数中加入递归项，实现多尺度递归处理，增强信号重构的精度。

经过递归处理后，细节系数和近似系数已经被去噪和优化，通过重构恢复原始信号的主要特征。其数学公式为：

，

其中，表示重构后的信号。故障查找模块对重构后的信号进行特征提取，提取故障特征；使用小波变换算法，分析重构后的信号的时频特性，识别出重构后的信号中的故障特征，并生成故障特征向量；将提取的故障特征向量与预先建立的故障特征库进行匹配，使用距离度量或相似度计算方法，找出最相似的故障模式；根据匹配结果确定故障的类型和位置，通过最大相似度对应的故障特征向量，判断故障的具体类型和位置，实现对重构信号的故障查找和定位。

为了应对时频多尺度递归变换算法计算复杂度高，从而影响故障查找系统实时性和响应速度的问题，采用了层次化分布式计算架构。通过将计算任务分散到多个层次的节点并行处理，层次化分布式计算架构显著提高了故障查找系统的计算效率和响应速度，确保故障查找系统的实时性。首先，将计算任务分解成多个层次的子任务，分配到不同计算节点，减少单个节点的计算负担；接下来，各计算节点按照层次结构并行执行分配的子任务，提升整体计算效率；最后，汇总各计算节点的计算结果，按照层次结构逐级汇总，得到最终的故障定位信息，通过分层汇总，确保计算结果的准确性和实时性。

综上所述，完成了一种铁磁谐振故障查找方法及系统。

发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种铁磁谐振故障查找方法，其特征在于，包括以下步骤：

S1、收集并预处理铁磁谐振故障信号，对预处理后的信号进行频谱和时间耦合分析，提取铁磁谐振故障的特征频率；进一步，引入多层自适应滤波技术进行滤波处理；

S2、通过时频多尺度递归变换算法对滤波后的信号进行分解和重构，对重构后的信号进行特征提取，得到故障特征向量；进一步，基于故障特征向量判断故障的类型和位置。

2.根据权利要求1所述的铁磁谐振故障查找方法，其特征在于，所述S1，具体包括：

引入多维频谱-时间耦合变换算法，对预处理后的信号进行傅里叶变换，将时域信号转换到频域，进行频谱分析和时间域分析；通过构建多维矩阵来表示预处理后的信号的频谱-时间耦合关系，并从多维矩阵中提取铁磁谐振故障的特征频率。

3.根据权利要求2所述的铁磁谐振故障查找方法，其特征在于，所述S1，具体包括：

在多层自适应滤波技术的实现过程中，引入多层自适应滤波算法，动态调整滤波器参数。

4.根据权利要求1所述的铁磁谐振故障查找方法，其特征在于，所述S2，具体包括：

时频多尺度递归变换算法通过多尺度分析和递归处理，对滤波后的信号进行分解和重构，并分离故障信号与正常信号。

5.根据权利要求1所述的铁磁谐振故障查找方法，其特征在于，所述S2，具体包括：

将故障特征向量与故障特征库进行匹配，找出最相似的故障模式；根据匹配结果确定故障的类型和位置，通过最大相似度对应的故障特征向量，判断故障的具体类型和位置。

6.根据权利要求5所述的铁磁谐振故障查找方法，其特征在于，所述S2，具体包括：

在时频多尺度递归变换算法的实现过程中，采用层次化分布式计算架构，得到故障定位信息。

7.根据权利要求6所述的铁磁谐振故障查找方法，其特征在于，所述S2，具体包括：

层次化分布式计算架构的实现过程如下：

首先，将计算任务分解成两个及以上层次的子任务，并分配到不同计算节点；进一步，各计算节点按照层次结构并行执行分配的子任务；最后，汇总各计算节点的计算结果，得到故障定位信息。

8.一种铁磁谐振故障查找系统，其特征在于，包括以下部分：

预处理模块、特征频率提取模块、自适应滤波模块、递归变换模块、故障查找模块；

预处理模块，用于对收集到的铁磁谐振故障信号进行预处理，消除直流分量和趋势项；预处理模块与特征频率提取模块相连；

特征频率提取模块，对预处理后的信号进行频谱分析和时间域分析；构建多维矩阵表示预处理后的信号的频谱-时间耦合关系，并从多维矩阵中提取铁磁谐振故障的特征频率；特征频率提取模块与自适应滤波模块相连；

自适应滤波模块，引入多层自适应滤波技术，对铁磁谐振故障的特征频率进行滤波处理；自适应滤波模块与递归变换模块相连；

递归变换模块，引入时频多尺度递归变换算法，对滤波后的信号进行分解和重构，得到重构后的信号，递归变换模块与故障查找模块相连；

故障查找模块，对重构后的信号进行特征提取，得到故障特征向量；将故障特征向量与预先建立的故障特征库进行匹配，找出最相似的故障模式；并根据匹配结果确定故障的类型和位置。